【问题标题】:Python: Writing to a single file with queue while using multiprocessing PoolPython:使用多处理池时使用队列写入单个文件
【发布时间】:2014-12-23 04:07:29
【问题描述】:

我有数十万个文本文件,我想以各种方式对其进行解析。我想将输出保存到单个文件而不会出现同步问题。我一直在使用多处理池来执行此操作以节省时间,但我不知道如何组合池和队列。

以下代码将保存文件名以及文件中连续“x”的最大数量。但是,我希望所有进程都将结果保存到同一个文件中,而不是像我的示例中那样保存到不同的文件中。对此的任何帮助将不胜感激。

import multiprocessing

with open('infilenamess.txt') as f:
    filenames = f.read().splitlines()

def mp_worker(filename):
 with open(filename, 'r') as f:
      text=f.read()
      m=re.findall("x+", text)
      count=len(max(m, key=len))
      outfile=open(filename+'_results.txt', 'a')
      outfile.write(str(filename)+'|'+str(count)+'\n')
      outfile.close()

def mp_handler():
    p = multiprocessing.Pool(32)
    p.map(mp_worker, filenames)

if __name__ == '__main__':
    mp_handler()

【问题讨论】:

    标签: python queue multiprocessing pool


    【解决方案1】:

    多处理池为您实现了一个队列。只需使用将工作人员返回值返回给调用者的池方法。 imap 运行良好:

    import multiprocessing 
    import re
    
    def mp_worker(filename):
        with open(filename) as f:
            text = f.read()
        m = re.findall("x+", text)
        count = len(max(m, key=len))
        return filename, count
    
    def mp_handler():
        p = multiprocessing.Pool(32)
        with open('infilenamess.txt') as f:
            filenames = [line for line in (l.strip() for l in f) if line]
        with open('results.txt', 'w') as f:
            for result in p.imap(mp_worker, filenames):
                # (filename, count) tuples from worker
                f.write('%s: %d\n' % result)
    
    if __name__=='__main__':
        mp_handler()
    

    【讨论】:

    • 那么,我一次遍历一个结果并在它们进入时将它们写入文件?这是否意味着新的工作人员在每个“结果”都被写入之前不会启动,或者一次运行 32 个,但会等待写入?另外,您能解释一下为什么将我的 f.read().splitlines() 替换为 [line for line in (l.strip() for l in f) if line]?
    • 32 个进程在后台运行,并在将结果传递回父进程时在“块”中获取更多文件名。结果会立即传回,因此父级并行执行其工作。逐行读取文件比读取整个文件并稍后拆分它更有效......这就是列表的用途。
    • 太棒了!网上有很多关于这个的答案,但没有一个这么简单。向你致敬!
    • 非常感谢!这对我来说并不完全清楚,何时何地创建池以及何时/何地将其排空到文件中。我的整个代码是这样的: Parallel(n_jobs=num_cores)(delayed(my_function)(entry) for entry in contents) 它需要一行并返回 30 行。我是否必须将所有进程的结果存储到一个列表中并写入文件?如果是,它会很慢,因为当我们最终将结果存储到列表中时,它会增长并且过程变得如此缓慢!
    • 如果返回结果的顺序没有映射,也可以使用imap_unordered
    【解决方案2】:

    我接受了已接受的答案并对其进行了简化,以了解其工作原理。我把它贴在这里以防它帮助别人。

    import multiprocessing
    
    def mp_worker(number):
        number += 1
        return number
    
    def mp_handler():
        p = multiprocessing.Pool(32)
        numbers = list(range(1000))
        with open('results.txt', 'w') as f:
            for result in p.imap(mp_worker, numbers):
                f.write('%d\n' % result)
    
    if __name__=='__main__':
        mp_handler()
    

    【讨论】:

    • 非常感谢!这对我来说并不完全清楚,何时何地创建池以及何时/何地将其排入文件。我的整个代码是这样的: Parallel(n_jobs=num_cores)(delayed(my_function)(entry) for entry in contents) 它需要一行并返回 30 行。我是否必须将所有进程的结果存储到一个列表中并写入文件?如果是,它会很慢,因为当我们最终将结果存储到列表中时,它会增长并且过程变得如此缓慢!
    【解决方案3】:

    这是我使用多处理管理器对象的方法。这种方法的好处是,当处理退出管理器并在 run_multi() 函数中使用块时,文件写入器队列会自动关闭,从而使代码非常易于阅读,并且您无需尝试停止侦听队列。

    from functools import partial
    from multiprocessing import Manager, Pool, Queue
    from random import randint
    import time
    
    def run_multi():
        input = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
        with Manager() as manager:
            pool = Pool()  # By default pool will size depending on cores available
            message_queue = manager.Queue()  # Queue for sending messages to file writer listener
            pool.apply_async(file_writer, (message_queue, ))  # Start file listener ahead of doing the work
            pool.map(partial(worker, message_queue=message_queue), input)  # Partial function allows us to use map to divide workload
    
    def worker(input: int, message_queue: Queue):
        message_queue.put(input * 10)
        time.sleep(randint(1, 5))  # Simulate hard work
    
    def file_writer(message_queue: Queue):
        with open("demo.txt", "a") as report:
            while True:
                report.write(f"Value is: {message_queue.get()}\n")
    
    if __name__ == "__main__":
        run_multi()
    

    【讨论】:

      猜你喜欢
      • 2013-03-09
      • 1970-01-01
      • 1970-01-01
      • 2012-01-23
      • 1970-01-01
      • 2017-06-15
      • 1970-01-01
      • 2014-01-20
      • 1970-01-01
      相关资源
      最近更新 更多